SERIE: WAS TATSÄCHLICH GESCHIEHT
Eine quellenbasierte, kalibrierte Analyse dessen, was KI mit der Arbeitswelt macht – getrennt nach gesicherten Tatsachen, umstrittenen Befunden und Mythen. Weder Panik noch Beschwichtigung. Evidenz.
Drei unterschiedliche Lager reden aneinander vorbei. Keines hat vollständig recht. Das Verständnis der Debattenstruktur ist die Voraussetzung für das Verständnis der Evidenz.
Wenige Themen erzeugen pro Spaltenzeile mehr selbstsichere, sich widersprechende Behauptungen als künstliche Intelligenz und Arbeitsplätze. In ein und derselben Woche veröffentlichen seriöse Medien „KI wird die Hälfte aller Bürojobs übernehmen“ und „KI schafft mehr Arbeitsplätze, als sie vernichtet – die Geschichte beweist es.“ Beide Schlagzeilen sind technisch vertretbar. Keine erzählt die ganze Geschichte.
Die Verwirrung ist strukturell, nicht zufällig. Sie entsteht dadurch, dass drei unterschiedliche Debatten zu einer einzigen zusammenfallen: Was geschieht jetzt (empirisch, messbar), was wird bis 2030 geschehen (umstrittene Projektion) und was wird über 20–50 Jahre geschehen (tatsächlich unbekannt). Forschende, die hinsichtlich der langfristigen strukturellen Beschäftigung pessimistisch sind, und solche, die hinsichtlich der kurzfristigen aggregierten Arbeitsplatzschaffung optimistisch sind, beziehen sich mitunter auf unterschiedliche Zeithorizonte – und beide können gleichzeitig recht haben.
Es gibt zudem eine politische Ökonomie des Optimismus. Unternehmen, die KI entwickeln, haben ein vitales Interesse an der Erzählung, dass ihre Technologie mehr Arbeitsplätze schaffe, als sie vernichte. Gewerkschaften und verdrängte Arbeitnehmer haben ein vitales Interesse daran, den Schaden zu dokumentieren. Keine der beiden Gruppen ist notwendigerweise unaufrichtig – beide üben einen Selektionsdruck darauf aus, welche Evidenz verstärkt wird.
Dieser Bericht versucht, nützlich zu sein, indem er diszipliniert vorgeht: Jede Behauptung wird explizit nach Evidenzstufe kategorisiert. Wo die Datenlage eindeutig ist, sagen wir es. Wo sie umstritten ist, sagen wir es und präsentieren beide glaubwürdigen Seiten. Wo Behauptungen nicht durch Evidenz gestützt werden – unabhängig davon, welches Lager sie aufstellt – sagen wir auch das.
Trennung der gut belegten Zahlen von den umstrittenen Projektionen – und Ehrlichkeit über den Unterschied.
Goldman Sachs Research (2025) dokumentiert einen messbaren, statistisch signifikanten Rückgang der Beschäftigung speziell bei Arbeitnehmern im Alter von 22–25 Jahren in KI-exponierten Berufen. Die Arbeitslosigkeit unter 20- bis 30-Jährigen in technologieexponierten Berufen sei seit Anfang 2025 um etwa 3 Prozentpunkte gestiegen. Softwareentwickler im Alter von 22–25 Jahren verzeichneten einen Beschäftigungsrückgang von etwa 20 % gegenüber ihrem Höchststand Ende 2022. Dies werde durch die Stanford Digital Economy Lab-Studie „Canaries in the Coal Mine“ (Brynjolfsson et al., 2025) bestätigt, die dieselbe Kohorte als Frühindikator der KI-Arbeitsmarktauswirkungen identifiziert habe.
Wichtig: Die Gesamtbeschäftigung steigt weiterhin. Es handelt sich nicht um einen makroökonomischen Beschäftigungseinbruch – sondern um eine gezielte Kompression der Einstellungspipeline auf Einstiegsebene in spezifischen KI-exponierten Berufen. Das Signal konzentriert sich darauf, wer am Anfang seiner Karriere eingestellt wird, nicht auf Massenentlassungen.
Mehrere hochwertige randomisierte Experimente bestätigen, dass KI-Werkzeuge die Produktivität tatsächlich steigern. Brynjolfsson, Li & Raymond (2025, Quarterly Journal of Economics) – die methodisch rigoroseste verfügbare Studie – stellten fest, dass generative KI die Produktivität von Kundendienstmitarbeitern im Durchschnitt um 14 % erhöht habe, wobei die größten Zuwächse bei den am wenigsten qualifizierten Arbeitnehmern zu verzeichnen gewesen seien. GitHub-Copilot-Studien zeigen Verbesserungen der Programmiergeschwindigkeit um etwa 55 % für Entwickler. Die zentrale Erkenntnis: KI fungiert derzeit für die meisten aktiven Beschäftigten als Produktivitätsverstärker, nicht als Ersatz. Die Ersetzungsdynamik manifestiere sich in der Einstellungspraxis – weniger neue Mitarbeiter werden benötigt – und nicht in Entlassungen bestehender Beschäftigter.
Der Anteil der Arbeitseinkommen am US-Nichtlandwirtschaftssektor fiel von etwa 64 % im Jahr 1980 auf etwa 57 % im Jahr 2017 (Acemoglu, Manera & Restrepo, 2020). Dieser Vor-KI-Trend spiegelt Jahrzehnte kapitalverzerrter Automatisierung wider, bei der der effektive Steuersatz auf Arbeit (ca. 25–34 %) den auf Kapital (ca. 5–10 %) bei weitem übersteige und so die Substitution begünstige. IWF-Forschung (2024–2025) projiziert, dass KI die Renditen des Kapitals zulasten der Arbeitseinkommen wahrscheinlich weiter steigern werde – wobei dieser Effekt stark davon abhänge, ob KI hochbezahlte Arbeitnehmer ergänze oder ersetze und inwieweit Produktivitätsgewinne von Kapitaleignern vereinnahmt oder als Löhne verteilt würden.
„Die am weitesten verbreitete Auswirkung generativer KI dürfte eher die Arbeitsqualität als die Arbeitsmenge betreffen.“
– Internationale Arbeitsorganisation (ILO/NASK Global Index, Mai 2025)Risikoniveau, Expositionsmechanismus und projizierter Zeitrahmen – sortiert nach Berufskategorie. Risikoprozentsätze sind modellbasierte Schätzungen (siehe Vorbehalt in Abschnitt 02).
| Beruf | Aufgabenexposition | Primärer Mechanismus | Zeitrahmen | Evidenz |
|---|---|---|---|---|
| Kundendienstmitarbeiter | LLM-Chatbots bearbeiten Tier-1-Anfragen; menschliche Rollen schrumpfen auf Ausnahmebehandlung | 2024–2026 (bereits aktiv) | ✓ Gesicherte Tatsache | |
| Datenerfassungskräfte | Direkte Automatisierung repetitiver Datenverarbeitung; hochgenaue OCR + KI | 2024–2027 | ✓ Gesicherte Tatsache | |
| Verwaltungs- / Sekretariatsassistenten | Terminplanung, Textentwürfe, Dokumentenmanagement, E-Mail – alles KI-replizierbar | 2024–2028 | ◈ Starke Evidenz | |
| Übersetzer / Dolmetscher | LLMs erreichen inzwischen nahezu menschliche Qualität bei kommerziellen Standardübersetzungen; dokumentierter Beschäftigungsrückgang | 2023–2026 (laufend) | ✓ Gesicherte Tatsache | |
| Buchhalter / Buchhaltungskräfte | Routinemäßige Finanzdatenverarbeitung vollständig automatisierbar; KI-Buchhaltungssoftware skaliert schnell | 2025–2028 | ◈ Starke Evidenz | |
| Korrektoren / Lektoren | Grammatik-/Stilkorrekturaufgaben werden von KI bei Standardinhalten mit überlegener Genauigkeit ausgeführt | 2023–2026 | ◈ Starke Evidenz |
Quellen: ILO/NASK Global Index 2025; Goldman Sachs Research 2025; McKinsey Global Institute; IMF SDN 2024
| Beruf | Aufgabenexposition | Primärer Mechanismus | Zeitrahmen | Evidenz |
|---|---|---|---|---|
| Junior-Softwareentwickler | Codegenerierungswerkzeuge reduzieren Einstiegsrollen; Senior-Rollen werden produktiver | 2024–2028 | ✓ Gesicherte Tatsache | |
| Rechtsanwaltsgehilfen / juristische Assistenten | Dokumentenprüfung, Rechtsrecherche, Vertragsanalyse – alles LLM-replizierbar in hoher Geschwindigkeit | 2025–2029 | ◈ Starke Evidenz | |
| Finanzanalysten (Einstiegsebene) | Routineanalysen, Berichterstellung, Datensynthese inzwischen automatisiert; Senior-Urteilsvermögen bleibt erhalten | 2025–2030 | ◈ Starke Evidenz | |
| Journalisten / Content-Autoren | Datenjournalismus und standardisierte Inhaltserstellung automatisiert; investigativer/narrativer Journalismus weniger | 2024–2028 | ◈ Starke Evidenz | |
| Radiologen (Screening-Ebene) | KI übertrifft Menschen beim Erstscreening von Bildgebung; Rolle verschiebt sich zu komplexer Diagnostik und Kommunikation | 2026–2032 | ⚖ Umstritten | |
| Kassierer im Einzelhandel | Selbstbedienungskassen + reibungsloser Einzelhandel skaliert; Amazon-Go-Modell expandiert | 2024–2030 | ◈ Starke Evidenz |
| Beruf | Aufgabenexposition | Primärer Mechanismus | Anmerkungen | Evidenz |
|---|---|---|---|---|
| Lehrer / Pädagogen | Verwaltungsaufgaben + standardisierte Inhaltserstellung automatisiert; Kernunterricht und Mentoring resilient | Rollentransformation wahrscheinlich; Stellenabbau kurzfristig unwahrscheinlich | ⚖ Umstritten | |
| Wirtschaftsprüfer / Revisoren (Senior) | Routineelemente automatisierbar; komplexe Urteilsfindung, Kundenbeziehung, haftungsrelevante Arbeit resilient | Bifurkation: Junior-Rollen unter Druck, Senior-Rollen verstärkt | ◈ Starke Evidenz | |
| Marketing-Fachleute | Inhaltserstellung, A/B-Tests, Kampagnenanalyse werden rasch automatisiert; kreative Strategie weniger | Derzeit Produktivitätsverstärker; Verdrängung auf Einstiegsebene kommt | ◈ Starke Evidenz | |
| Personalwesen | Screening, Terminplanung, Verwaltung automatisiert; Kultur, Konfliktlösung, urteilsintensive Arbeit nicht | ATS (Bewerbermanagementsysteme) bereits KI-gesteuert | ◈ Starke Evidenz | |
| Lkw- / Lieferfahrer | Autonome Fahrzeuge nähern sich technischer Marktreife; regulatorische, versicherungstechnische und letzte-Meile-Verzögerungen bestehen fort | Hohe Zahl betroffener Arbeitnehmer (3,5 Mio. allein in den USA); Zeitpläne wiederholt verschoben | ⚖ Umstritten |
| Beruf | Aufgabenexposition | Warum resilient | Risikoniveau | Evidenz |
|---|---|---|---|---|
| Klempner / Elektriker / Fachhandwerker | Erfordert physische Geschicklichkeit in unstrukturierten Umgebungen; Roboter können noch nicht zuverlässig oder kosteneffizient arbeiten | Niedrig – Zeithorizont mindestens 10–20 Jahre | ✓ Gesicherte Tatsache | |
| Examinierte Pflegekräfte | Physische Pflege, Patientenkommunikation, emotionale Arbeit, klinisches Urteilsvermögen in unstrukturierten Situationen | Niedrig für Verdrängung; hoch für Produktivitätssteigerung (KI-Diagnostik) | ✓ Gesicherte Tatsache | |
| Psychotherapeuten | Therapeutische Beziehung, Empathie, differenziertes menschliches Urteilsvermögen; KI-Werkzeuge als Ergänzung, nicht als Ersatz | Niedrig – regulatorische und ethische Hürden hoch, selbst wenn KI sich verbessert | ◈ Starke Evidenz | |
| Frühpädagogen | Physische Betreuung, Beziehungsaufbau, Entwicklungsbeobachtung – nicht durch KI replizierbar | Sehr niedrig | ✓ Gesicherte Tatsache | |
| Geschäftsführer / CEOs | Strategisches Urteilsvermögen, Beziehungskapital, Rechenschaftspflicht, mehrdeutige Entscheidungsfindung in neuartigen Situationen | Niedrig – aber KI wird die Produktivität derjenigen verstärken, die sie einsetzen | ◈ Starke Evidenz | |
| Bauarbeiter | Physische Manipulation in unstrukturierten, variablen Umgebungen; Robotik noch nicht großflächig einsetzbar | Niedrig für 10+ Jahre; potenziell höher 2030–2040 | ✓ Gesicherte Tatsache |
Die aggregierten Zahlen verdecken radikal unterschiedliche Erfahrungen nach Geschlecht, Alter, Bildung und Einkommen. Die gleiche Schlagzeile „KI schafft mehr Arbeitsplätze“ kann in der Summe zugleich zutreffend und für bestimmte Bevölkerungsgruppen katastrophal sein.
Die strukturelle Ursache: Zwischen 2000 und 2019 waren 93–97 % der Sekretariats- und Verwaltungsassistenzstellen in den USA von Frauen besetzt (US Census Bureau). Diese gehören zu den Tier-1-Berufen für KI-Verdrängung. Die ILO stellt fest, dass die Überrepräsentation von Frauen in Büro- und Verwaltungsberufen der primäre Treiber des Geschlechterunterschieds bei der KI-Exposition sei – nicht eine inhärente Eigenschaft, die Frauenarbeit in besonderer Weise automatisierbar mache.
Das kumulative Problem: Frauen sind nicht nur in höher gefährdeten Berufen konzentriert – sie setzen KI-Werkzeuge in geringerem Maße ein, was es ihnen erschwert, den Wechsel von „KI ersetzt mich“ zu „KI verstärkt mich“ zu vollziehen. Untersuchungen deuten darauf hin, dass Frauen bei der Nutzung von KI-Werkzeugen mit zusätzlichen sozialen Sanktionen konfrontiert seien (Befürchtungen, als „schummelnd“ oder weniger intelligent wahrgenommen zu werden), die Männer nicht im gleichen Maße träfen.
Die Verzerrungsebene: KI-Systeme, die auf historischen Daten trainiert wurden, reproduzieren und verstärken potenziell bestehende Geschlechtervorurteile bei Einstellung, Gehaltsentscheidungen und Kreditvergabe – sie schaffen Risiken sowohl bei den verlorenen als auch bei den angestrebten Arbeitsplätzen. Die ILO weist darauf hin, dass Frauen in der KI-Entwicklung unterrepräsentiert seien (nur 22 % der KI-Fachkräfte weltweit laut WEF 2025), was eine Selbstkorrektur durch diverse Entwicklungsteams strukturell erschwere.
Die Kompression auf Einstiegsebene: Der klarste und am besten dokumentierte Alterseffekt ist die Kompression der Einstellungspraxis auf Einstiegsebene. KI reduziert den Bedarf an Nachwuchskräften genau in jenen Rollen, die traditionell als erste Sprosse der beruflichen Karriereleiter dienten: Junior-Entwickler, Junior-Analyst, Junior-Rechtsanwaltsgehilfe, Kundendienstmitarbeiter. Die Pipeline zu Senior-Positionen verengt sich, bevor diese Positionen selbst bedroht sind.
Die Ironie für Generation Z: Die Generation, die sich am meisten um KI sorgt, ist nicht die Generation, die in der Gesamtbetrachtung Arbeitsplätze verliert – die Gesamtbeschäftigung bricht nicht zusammen. Sie ist die Generation, die die Tür zu ihrer Karriereleiter schmaler vorfindet als frühere Kohorten. Dies ist ein realer Schaden, selbst wenn die Makrozahlen gut aussehen.
Ältere verdrängte Arbeitnehmer: Arbeitnehmer ab 50, die KI-exponierte Arbeitsplätze verlieren, stehen vor den gravierendsten Übergangsschwierigkeiten. Die Forschung der Boston Fed (Dezember 2024) ergab, dass etwa 21 % der befragten Arbeitnehmer erwarteten, KI werde ihre finanzielle Situation innerhalb von 5 Jahren verschlechtern – konzentriert in dieser älteren Kohorte. Eine Umschulung für neue Sektoren ist schwieriger, dauert länger und bringt in diesem Lebensabschnitt geringere Erträge – diese Gruppe wird von Brookings als die verwundbarste identifiziert.
Das IWF-Arbeitspapier (Rockall, Tavares, Pizzinelli, 2025) unterscheidet zwischen drei Berufsgruppen: HELC (High Exposure, Low Complementarity – die Gefahrenzone), HEHC (High Exposure, High Complementarity – die verstärkte Zone) und LE (Low Exposure – weitgehend unbetroffen). Die entscheidende politische Frage ist, welche Arbeitnehmer in welche Kategorie fallen.
Niedrige Bildung (kein Hochschulabschluss): Geringere unmittelbare KI-Exposition (IWF: 26 % für Arbeitnehmer in Niedrigeinkommensländern gegenüber 60 % in fortgeschrittenen Volkswirtschaften), aber auch geringere Fähigkeit, in KI-komplementäre Rollen zu wechseln. Der „Schutz“, nicht im Fadenkreuz der KI-Ökonomie zu stehen, ist teilweise ein Artefakt des noch fehlenden Zugangs zur digitalen Infrastruktur, die sowohl das Risiko als auch die Chance ermöglicht.
Hochschulabsolventen: 44 % erkennen an, dass KI einige ihrer Aufgaben ausführen könne (gegenüber 22 % ohne Hochschulabschluss) – höheres Bewusstsein, aber auch höhere Anpassungsfähigkeit. Studien bestätigen, dass Arbeitnehmer mit postsekundärer Bildung KI eher als Ergänzung denn als Ersatz ihrer Fähigkeiten erleben.
Die Brookings Institution bestätigte: „Besser bezahlte, besser ausgebildete Arbeitnehmer sind der höchsten Exposition ausgesetzt.“ Doch Exposition bedeute nicht Schaden, wenn die Komplementarität hoch sei. Die eigentliche Gefahr bestehe in der Schicht von Arbeitnehmern, die gebildet genug seien, um in KI-exponierten Rollen zu arbeiten, aber nicht über die Seniorität, Anpassungsfähigkeit oder Ressourcen verfügten, um zur Komplementarität zu wechseln.
Die Klassendimension der KI-Beschäftigungsauswirkungen ist der politisch brisanteste und analytisch umstrittenste Aspekt dieses Themas. Sie erfordert eine sorgfältige Trennung zweier unterschiedlicher Dynamiken, die gleichzeitig wirken.
Das häufigste Gegenargument zu KI-Verdrängungsängsten lautet, dass neue Arbeitsplätze entstehen würden, wie bei früheren technologischen Umbrüchen. In wohlhabenden Ländern ist dies ein umstrittener, aber plausibler Fall. In Entwicklungsländern ist er weitaus schwieriger zu machen.
Indiens Paradox: Indien strebt danach, ein bedeutendes KI-Zentrum zu werden, wobei sein KI-Markt bis 2027 voraussichtlich mit einer jährlichen Wachstumsrate (CAGR) von 25–35 % wachsen werde. Dennoch ist Indiens IT- und Unternehmensdienstleistungssektor im Wert von rund 250 Mrd. US-Dollar – der Millionen in englischsprachigen, ausgelagerten kognitiven Rollen beschäftigt – genau der Sektor, der am stärksten durch KI-Automatisierung westlicher Unternehmen zur Kostensenkung exponiert ist. Die Arbeitnehmer, die von Indiens KI-Ambitionen profitieren, und jene, die dadurch Arbeitsplätze verlieren, sind völlig verschiedene Bevölkerungsgruppen, getrennt durch Bildung, Sprache, Standort und Einkommen.
Die Datenannotationsfalle: Ein erheblicher Anteil der „neuen Arbeitsplätze“ im KI-Bereich für den Globalen Süden besteht aus Datenbeschriftung, Inhaltsmoderation und KI-Trainingsarbeit – oft für 1–2,50 US-Dollar pro Stunde in Kenia und ähnlich in Bangladesch und Indien. Diese Arbeitnehmer leisten die unspektakuläre Arbeit, die KI-Systeme zum Funktionieren bringt, mit minimalen Schutzmaßnahmen, ohne Karrierepfad und bei Exposition gegenüber psychisch belastendem Material. Die UNCTAD warnte, KI könne den Wettbewerbsvorteil billiger Arbeitskräfte in Entwicklungsländern – den einzigen wirtschaftlichen Hebel, den sie hätten – verringern, ohne gleichwertige alternative Möglichkeiten zu schaffen.
IWF-Forschung (2024) und eine ResearchGate-Analyse (2025) bestätigen: Die Verdrängung konzentriere sich auf den Zeitraum 2024–2027, während sich die Arbeitsplatzschaffung über längere Zeiträume erstrecke. In fortgeschrittenen Volkswirtschaften existieren die Institutionen, Sicherheitsnetze und Bildungssysteme, um diesen Übergang zu bewältigen (unvollkommen). In Entwicklungsländern, die eine Verdrängung ausgelagerter Rollen erleben, fehlen diese institutionellen Puffer. Das Ergebnis: Entwicklungsländer erleben Verdrängung ohne ausgleichende Schaffung, was die internationale Ungleichheit vergrößert.
In Lateinamerika: Rund 25 % der Arbeitsplätze in Brasilien, Chile, Kolumbien, Mexiko und Peru weisen eine hohe KI-Exposition bei gleichzeitig niedriger Aufgabenkomplementarität auf – was sie für Substitution hochverwundbar mache. Für Arbeitnehmer in Callcentern und ausgelagerten Dienstleistungen im Besonderen werde dieses Risiko von ILO-Forschern als „akut“ eingestuft.
Das stärkste Argument für Arbeitsmarktoptimismus sind 200 Jahre Evidenz dafür, dass Technologie mehr Arbeitsplätze schafft, als sie vernichtet. Dieses Argument verdient ernsthafte Auseinandersetzung – und ernsthafte Prüfung.
Die ökonomische Standardentgegnung: Der „Trugschluss der festen Arbeitsmenge“ – der irrige Glaube, es gebe eine fixe Menge an Arbeit – ist ein realer logischer Fehler. Neue Technologien schaffen neue Nachfrage, neue Branchen, neue Berufe, die wir im Voraus nicht vorhersagen können. Der Gouverneur der Federal Reserve, Barr (Mai 2025): Ökonomen seien seit langem skeptisch gegenüber der Annahme, dass Automatisierung zu dauerhafter Arbeitslosigkeit führe.
Acemoglus Gegenargument (MIT/IWF, Dezember 2023): „Es gibt keine Garantie dafür, dass KI auf ihrem derzeitigen Kurs mehr Arbeitsplätze schaffen wird, als sie vernichtet.“ Das historische Muster der Schaffung neuer Arbeitsplätze beruhte auf einem Gleichgewicht zwischen Automatisierung und der Schaffung neuer Aufgaben. Etwa ab 1970 ging dieses Gleichgewicht verloren. Der Anteil der Arbeitseinkommen sinkt seit 50 Jahren. Die Schaffung neuer Aufgaben hat sich verlangsamt, insbesondere für Arbeitnehmer ohne Hochschulabschluss. KI beschleunige möglicherweise eine bereits gestörte Dynamik, anstatt sie umzukehren.
Das Geschwindigkeitsargument: Historische Übergänge dauerten Generationen. Der Webstuhl verdrängte Weber über 50–100 Jahre; die Kinder der Arbeitnehmer passten sich an. KI komprimiert potenziell vergleichbare Übergänge auf 5–10 Jahre. Selbst wenn das langfristige Ergebnis netto positiv ausfalle, seien die in Menschenleben gemessenen Übergangskosten – Einkommensverlust, psychische Belastung, familiäre Disruption – real und konzentrierten sich auf bestimmte Bevölkerungsgruppen, die nicht einfach „auf die neuen Arbeitsplätze warten“ könnten.
Der Begriff „General Purpose Technology“ (GPT im wirtschaftswissenschaftlichen Sinne) bezeichnet Technologien, die mehrere Sektoren gleichzeitig umgestalten – Elektrizität, Computertechnik, das Internet. Deming und Summers (2025) kamen zu dem Schluss, dass KI als GPT dieser Größenordnung einzustufen sei.
Was an KI im Vergleich zu früheren GPTs möglicherweise anders ist:
1. Frühere GPTs automatisierten physische oder eng begrenzte kognitive Aufgaben. KI ist die erste Technologie, die allgemeines Schlussfolgern, Sprache und kreative Aufgaben ausführen kann – Arbeit, die zuvor als einzigartig menschlich und automatisierungssicher galt. 2. Frühere GPTs schufen neue Aufgaben, die menschliche Arbeitskraft für ihre Ausführung erforderten. Die neuen Aufgaben, die KI schafft (KI-Trainer, KI-Ethikbeauftragte, KI-Produktmanager), erfordern weit weniger Arbeitnehmer im Verhältnis zu den ersetzten Aufgaben. Prompt-Engineers – einst als großer Berufszweig prognostiziert – machen weniger als 0,5 % der LinkedIn-Stellenanzeigen aus. 3. Der Anreiz zur Substitution von Arbeit durch Kapital ist strukturell im US-Steuerrecht verankert (Arbeit mit ca. 30 %, Kapital mit ca. 8 % besteuert), was den Ersatz für jedes Unternehmen zur rationalen Wahl mache.
„Die US-Wirtschaft hatte 1993 2,5 Industrieroboter pro tausend Beschäftigte im verarbeitenden Gewerbe. Diese Zahl stieg bis 2019 auf 20. Exzessive Automatisierung hat zu einem Rückgang des Arbeitseinkommensanteils von 64 % im Jahr 1980 auf 57 % im Jahr 2017 geführt.“
– Acemoglu, Manera & Restrepo, zitiert in Chicago Booth ReviewKI erhöht die Produktivität in KI-exponierten Sektoren. Dies ist gut belegt und wird ernsthaft nicht bestritten. Die entscheidende, umstrittene Frage ist, ob sich diese Produktivitätsgewinne in breiteren Wohlstand übersetzen oder sich weiter an der Spitze konzentrieren.
Die Produktivitätsevidenz ist real. Randomisierte kontrollierte Experimente – der Goldstandard der Sozialwissenschaften – bestätigen, dass KI-Werkzeuge den Output in professionellen Umfeldern steigern. Die Frage ist nicht, ob die Produktivität steigt, sondern wer diesen Anstieg vereinnahmt.
Acemoglu und Johnson (Power and Progress, 2023) führen das Konzept des „Produktivitätszugs“ ein: die Idee, dass die Mehrheit der Menschen nur dann von Produktivitätswachstum profitiere, wenn diese Produktivität in einer verbesserten Effizienz menschlicher Arbeit „verankert“ sei – wenn sie also die Grenzproduktivität der Arbeitnehmer steigere – und nicht lediglich menschliche Aufgaben automatisiere und die Gewinne als Kapitaleinkommen vereinnahme.
Die EPI-Analyse (Economic Policy Institute) ergänzt, der effektive Steuersatz auf Arbeit betrage in den USA ungefähr das Doppelte des Steuersatzes auf Kapital, was Unternehmen strukturell dazu anreize, Kapital an die Stelle von Arbeit zu setzen, selbst wenn dies nicht die wirtschaftlich effizienteste Wahl sei. Brynjolfsson (MIT) empfehle die Angleichung der effektiven Steuersätze auf Arbeit und Kapital als direkteste Intervention zur Veränderung dieser Anreizstruktur.
Die Gegenevidenz der 1990er-Jahre: EPI-Forschung zeigt, dass die 1990er-Jahre – die ein massives technologiegetriebenes Produktivitätswachstum durch das Internet erlebten – zu breit gestreutem Lohnwachstum und sinkender Arbeitslosigkeit führten, nicht zu konzentrierten Gewinnen. Die Erklärung: Die Arbeitslosigkeit wurde so weit gesenkt, dass sich eine echte Verhandlungsmacht der Arbeitnehmer ergab. Die politische Lehre lautet, dass die makroökonomischen Beschäftigungsbedingungen ebenso wichtig seien wie die Technologie selbst für die Frage, ob Produktivitätsgewinne verteilt würden.
Sowohl das katastrophistische als auch das abwiegelnde Lager produzieren weit verbreitete Behauptungen, die nicht durch die Evidenz gestützt werden. Dieser Abschnitt identifiziert die häufigsten auf beiden Seiten.
Frey & Osborne (Oxford Martin, 2013) erstellten ein vielzitiertes Modell, das prognostizierte, 47 % der US-Berufe seien hochgradig gefährdet. Die Harvard Data Science Review (Herbst 2025) dokumentiert, dass es sich um eine Aufgaben-Ebenen-Analyse handelte, die fälschlicherweise auf ganze Berufe ausgedehnt wurde. Die OECD-Replikation mit eigener Methodik kam auf 9 % – fünfmal weniger. Entscheidender: Die 2013 als „gefährdet“ eingestuften Berufe (Steuerberater, Telefonverkäufer, Versicherungsmathematiker) sind in den folgenden 12 Jahren tatsächlich nicht in großem Umfang verschwunden. Die 47-%-Zahl ist technisch ein Modelloutput aus dem Jahr 2013 mit erheblichen methodischen Vorbehalten – sie als Tatsache darzustellen ist Fehlinformation.
Diese Goldman-Sachs-Zahl (2023) wird häufig falsch zitiert. Der Originalbericht stellte fest, dass 300 Millionen Vollzeitäquivalente der Automatisierung ausgesetzt sein könnten, wenn KI breit eingeführt würde – eine Aufgaben-Expositionsschätzung unter einem optimistischen KI-Einführungsszenario. Derselbe Bericht projizierte, dass das wahrscheinlichste Verdrängungsszenario 6–7 % der US-Beschäftigten betreffe, wobei die Arbeitslosigkeit im Übergangszeitraum nur um 0,5 Prozentpunkte über dem Trend steige und sich innerhalb von etwa zwei Jahren erhole. Die 300-Mio.-Zahl ist real; sie als kurzfristige Massenarbeitslosigkeitsprognose darzustellen ist es nicht.
Anthropic-CEO Dario Amodei erklärte 2025, KI könne innerhalb von fünf Jahren etwa 50 % der Einstiegspositionen im Bürobereich vernichten. Nvidia-CEO Jensen Huang widersprach ausdrücklich. Die Evidenz zeigt eine reale und dokumentierte Kompression der Einstellungspraxis auf Einstiegsebene in KI-exponierten Sektoren – insbesondere im Technologiebereich. Allerdings würde „50 % der Einstiegs-Bürojobs“ über alle Branchen hinweg innerhalb von 5 Jahren eine Einführungsgeschwindigkeit und -breite erfordern, die die aktuellen Daten nicht bestätigen. Die zugrundeliegende Sorge ist berechtigt; die konkrete Zahl und der Zeitrahmen sind nicht gut belegt.
Das historische Muster ist real: 60 % der heutigen US-Arbeitsplätze existierten 1940 noch nicht. Doch Acemoglu und Johnson dokumentieren, dass die Schaffung neuer Aufgaben sich seit 1970 verlangsamt habe, das Gleichgewicht zwischen Automatisierung und Arbeitsplatzschaffung bereits aus den Fugen geraten sei und die Geschwindigkeit der KI-Einführung Übergänge komprimieren könne, die historisch Generationen in Anspruch nahmen. Die historische Gültigkeit des Musters garantiere nicht seine künftige Gültigkeit – insbesondere wenn KI die erste Technologie sei, die allgemeine Denkfähigkeiten bedrohe und nicht nur spezifische manuelle oder eng begrenzte kognitive Tätigkeiten. Der Trugschluss der festen Arbeitsmenge ist ein realer ökonomischer Irrtum; das KI-Risiko allein durch Berufung darauf vollständig abzutun sei ebenfalls ein Irrtum.
Die Evidenz zu Umschulungsprogrammen ist ernüchternd. „The China Shock“ (Autor, Dorn & Hanson, 2016) – das einflussreichste US-Wirtschaftspapier des letzten Jahrzehnts – wies nach, dass die Importkonkurrenz aus China große Teile der amerikanischen Arbeitnehmerschaft verwüstete und dass Umschulungsprogramme größtenteils keine erfolgreichen Übergänge hervorbrachten. Der US Workforce Investment and Opportunity Act (WIOA): Stand 2023–24 erhielten weniger als 10 % der Schulungsteilnehmer betriebliche Ausbildung; nur 2 % erhielten Lehrstellen. Die erfolgreichen Umschulungsbeispiele sind selten. Verdrängten 55-jährigen Fertigungs- oder Bürokräften zu sagen, sie sollten sich „umschulen“, ohne die strukturellen Hindernisse der Kosten, der Zeit, der psychischen Schwierigkeit und der Altersdiskriminierung anzugehen, ist keine Politik – es ist eine Beruhigung, die den verwundbarsten Arbeitnehmern nicht gerecht wird.
Die Harvard Data Science Review (Herbst 2025) dokumentiert: Prompt-Engineers machen weniger als 0,5 % einer jüngsten Stichprobe ausgeschriebener Stellen auf LinkedIn aus (Vu & Oppenlaender, 2025). Die spezifischen Prognosen „neuer KI-Berufe“, die 2022–2023 weit verbreitet waren (Prompt-Engineer, KI-Ethiker als Massenarbeitgeber), haben sich größtenteils nicht in dem prognostizierten Umfang materialisiert. Dies bedeutet nicht, dass keine neuen Arbeitsplätze durch KI entstehen werden – es bedeutet, dass spezifische Vorhersagen darüber, welche Berufe dies sein werden, systematisch unzuverlässig sind, und das Gesamtvolumen netto neuer Arbeitsplätze weitaus schwieriger vorherzusagen ist als die verdrängten Arbeitsplätze.
Eine Bestandsaufnahme dessen, was tatsächlich erprobt wird, was die Evidenz zu jeder Intervention sagt, und die strukturelle Kluft zwischen dem Ausmaß der potenziellen Disruption und dem Umfang der politischen Antwort.
Strukturelle Probleme erfordern strukturelle Lösungen. Doch während auf politisches Handeln gewartet wird, können Einzelpersonen Maßnahmen ergreifen, die durch die Evidenz gestützt werden. Gefiltert nach Lebensphase und Sektor.
Wenn Ihr Beruf in den Tabellen „Kritisches Risiko“ oder „Hohes Risiko“ in Abschnitt 03 erscheint – oder wenn Ihre Rolle vorwiegend administrativ, datenerfassend oder im Bereich routinemäßiger Kundenbetreuung angesiedelt ist.
Wenn Ihr Beruf in der Kategorie „Resilient“ erscheint – Fachhandwerk, Gesundheitswesen, Bildung, komplexe professionelle Dienstleistungen.
Alle Tatsachenbehauptungen in diesem Bericht sind auf spezifische, verifizierbare Publikationen zurückgeführt. Projektionen werden durchgehend klar von empirischen Befunden unterschieden.